摘要：課程推薦算法能夠幫助在線教育平臺(tái)用戶選擇所要學(xué)習(xí)的財(cái)經(jīng)類課程。然而，現(xiàn)有課程推薦算法均根據(jù)用戶的偏好興趣進(jìn)行推薦，不利于用戶構(gòu)建完善的知識(shí)體系。為此，本文以“新財(cái)經(jīng)”教育理念為指導(dǎo)，在已有研究基礎(chǔ)上，提出了“新財(cái)經(jīng)”課程推薦算法，并通過仿真實(shí)驗(yàn)，對(duì)比了“新財(cái)經(jīng)”課程推薦算法與協(xié)同過濾推薦算法。結(jié)果表明，當(dāng)用戶希望構(gòu)建完善的知識(shí)體系，并以此為學(xué)習(xí)目標(biāo)時(shí)，“新財(cái)經(jīng)”課程推薦算法具有更好的性能。

關(guān)鍵詞：“新財(cái)經(jīng)”;課程推薦算法;仿真分析

中圖分類號(hào)：G642? 文獻(xiàn)標(biāo)識(shí)碼：A? 論文編號(hào)：1674-2117（2021）24-0109-04

● 引言

當(dāng)前，在線教育已經(jīng)成為財(cái)經(jīng)類院校學(xué)生學(xué)習(xí)相關(guān)課程的重要途徑。學(xué)生可以通過中國(guó)大學(xué)MOOC、愛課程及雨課堂等在線教育平臺(tái)學(xué)習(xí)相關(guān)課程，從而對(duì)課堂教學(xué)加以補(bǔ)充。然而，這些平臺(tái)上所提供的課程涵蓋多個(gè)學(xué)科，且數(shù)量繁多，這使得用戶在選擇課程時(shí)面臨信息過載，難以做出合理選擇的問題。為此，在線教育平臺(tái)往往會(huì)提供課程推薦服務(wù)，向用戶推薦其可能感興趣的課程，引導(dǎo)用戶選擇合適的課程。

但值得注意的是，當(dāng)前的在線教育平臺(tái)所使用的課程推薦算法，其工作原理是通過用戶的行為數(shù)據(jù)（用戶學(xué)習(xí)過或?yàn)g覽過哪些課程）分析用戶的偏好，然后向用戶推薦與其偏好相匹配的課程。這樣的推薦方式，雖然可以較好地了解用戶的興趣偏好，使用戶對(duì)所推薦的課程更感興趣，但是對(duì)于當(dāng)今的財(cái)經(jīng)教育而言，此種推薦方式卻亟待改進(jìn)。

當(dāng)今時(shí)代，由于大數(shù)據(jù)、物聯(lián)網(wǎng)、區(qū)塊鏈以及人工智能等技術(shù)的廣泛應(yīng)用，共享經(jīng)濟(jì)、平臺(tái)經(jīng)濟(jì)等新模式、新業(yè)態(tài)大量涌現(xiàn)，對(duì)財(cái)經(jīng)教育提出了新的要求，那就是培養(yǎng)知識(shí)全面的復(fù)合型人才。而現(xiàn)有的推薦算法是根據(jù)用戶偏好推薦與之匹配的課程，這樣做將會(huì)固化用戶的興趣偏好，使用戶難以接觸到其他領(lǐng)域的知識(shí)，不利于用戶成為當(dāng)今社會(huì)所需的復(fù)合型人才。

為了適應(yīng)新時(shí)代對(duì)財(cái)經(jīng)教育的要求，筆者所在院校提出了“新財(cái)經(jīng)”教育理念：從財(cái)經(jīng)知識(shí)、信息技術(shù)、職業(yè)素養(yǎng)、國(guó)際視野以及家國(guó)情懷這五個(gè)維度，全面梳理財(cái)經(jīng)類課程體系，力圖培養(yǎng)知識(shí)豐富、技能熟練、素養(yǎng)深厚的新型財(cái)經(jīng)人才。本文的創(chuàng)新之處就是在現(xiàn)有課程推薦算法的基礎(chǔ)上，以“新財(cái)經(jīng)”教育理念為指導(dǎo)，針對(duì)在線教育平臺(tái)，改進(jìn)課程推薦算法。新的算法力圖通過所推薦的課程，幫助用戶實(shí)現(xiàn)符合時(shí)代要求的財(cái)經(jīng)知識(shí)的合理建構(gòu)。仿真實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的協(xié)同過濾推薦算法（Collaborative Filtering Recommendation，CFR）相比，本文所提出的基于“新財(cái)經(jīng)”的課程推薦算法（簡(jiǎn)稱為“新財(cái)經(jīng)”課程推薦算法，Recommendation for Courses Basing on“New Finance”，RCBNF）具有更優(yōu)越的性能，包括更高的正確率、查全率與精確率。

● 研究現(xiàn)狀

教育界非常重視智能推薦算法的應(yīng)用（Gonzalez-Manzano & de Fuentes，2019）[1]，在國(guó)內(nèi)，以北京大學(xué)為代表的重點(diǎn)院校廣泛應(yīng)用課程推薦系統(tǒng)，以幫助學(xué)生選課（徐揚(yáng)等，2017）。[2]為此，相關(guān)學(xué)者針對(duì)課程推薦算法進(jìn)行了深入研究。

在眾多推薦算法當(dāng)中，協(xié)同過濾推薦算法（CFR）在業(yè)界的應(yīng)用最為廣泛，為此，Symeonidis & Malakoudis（2019）[3]等很多學(xué)者基于CFR研究課程推薦。隨著人工智能技術(shù)的發(fā)展，學(xué)界嘗試應(yīng)用LSTM網(wǎng)絡(luò)（王素琴和吳子銳，2019）[4]、最近鄰算法（Esteban et al.，2020）[5]以及深度學(xué)習(xí)（李浩君 等，2019;Guan et al.，2019）[6，7]等人工智能技術(shù)創(chuàng)新推薦算法，以期提升推薦算法的性能。由于行為科學(xué)逐漸受到學(xué)界重視，以李浩等人（2020）[8]與Rawat et al.（2020）[9]為代表的部分學(xué)者希望能夠準(zhǔn)確刻畫學(xué)習(xí)者的行為特征，進(jìn)而改進(jìn)課程推薦算法。此外，還有部分學(xué)者，如De Medio et al.（2020）[10]，對(duì)經(jīng)典課程推薦算法加以改進(jìn)，將其應(yīng)用于新的技術(shù)平臺(tái)，希望能夠在新的技術(shù)平臺(tái)上提升算法性能。

通過梳理現(xiàn)有相關(guān)文獻(xiàn)可知現(xiàn)有課程推薦算法的基本原理是先挖掘?qū)W習(xí)者的興趣偏好，然后推薦符合這些興趣偏好的課程。然而，這樣會(huì)固化學(xué)習(xí)者的興趣偏好，使之疏離于那些與其興趣偏好不匹配但卻非常重要的課程，從而導(dǎo)致學(xué)習(xí)者難以構(gòu)建完善的知識(shí)體系。

● 融入“新財(cái)經(jīng)”理念的課程推薦算法

現(xiàn)有的課程推薦算法重視學(xué)習(xí)者的興趣偏好，但卻不利于學(xué)習(xí)者的知識(shí)建構(gòu)。為了解決這一問題，本節(jié)將“新財(cái)經(jīng)”教育理念融入成熟的協(xié)同過濾推薦算法，構(gòu)建了基于“新財(cái)經(jīng)”的課程推薦算法RCBNF，力圖使所推薦的課程有助于學(xué)習(xí)者建構(gòu)知識(shí)體系。

1.“新財(cái)經(jīng)”教育理念

“新財(cái)經(jīng)”是筆者所在學(xué)校在“新文科”教育理念的基礎(chǔ)上，面向新時(shí)代財(cái)經(jīng)人才需求所提出的財(cái)經(jīng)教育指導(dǎo)思想，認(rèn)為財(cái)經(jīng)教育應(yīng)涵蓋以下五個(gè)維度，而“新財(cái)經(jīng)”教育的核心理念就在于通過這五個(gè)維度的課程，使學(xué)生建構(gòu)完整的財(cái)經(jīng)知識(shí)體系。

（1）財(cái)經(jīng)知識(shí)，即“經(jīng)濟(jì)學(xué)、管理學(xué)等財(cái)經(jīng)知識(shí)課程。

（2）信息技術(shù)，即大數(shù)據(jù)、物聯(lián)網(wǎng)、區(qū)塊鏈、人工智能與5G等前沿的信息技術(shù)課程。

（3）職業(yè)素養(yǎng)，即職業(yè)技能培訓(xùn)等相關(guān)課程。

（4）國(guó)際視野，即國(guó)際交流所需的語言、文化等相關(guān)課程。

（5）家國(guó)情懷，即思想道德、形勢(shì)政策等相關(guān)課程。

2.“新財(cái)經(jīng)”理念下的課程推薦算法

在“新財(cái)經(jīng)”教育理念的啟發(fā)下，筆者認(rèn)為，財(cái)經(jīng)教育相關(guān)課程與財(cái)經(jīng)知識(shí)、信息技術(shù)、職業(yè)素養(yǎng)、國(guó)際視野以及家國(guó)情懷這五個(gè)維度均存在不同程度的關(guān)聯(lián)。例如，商業(yè)數(shù)據(jù)分析這門課程，與財(cái)經(jīng)知識(shí)和信息技術(shù)維度密切相關(guān)，而且數(shù)據(jù)分析能力是當(dāng)前很多用人單位所重視的，所以，該課程也有助于培養(yǎng)學(xué)生的職業(yè)素養(yǎng);與此同時(shí)，學(xué)習(xí)商業(yè)數(shù)據(jù)分析還可以幫助學(xué)生了解國(guó)際經(jīng)濟(jì)形勢(shì)，理解新時(shí)代下的中國(guó)經(jīng)濟(jì)發(fā)展路徑，從而擴(kuò)展國(guó)際視野，培養(yǎng)家國(guó)情懷。因此，在RCBNF算法中，將每門課程定義為一個(gè)向量，記作，由五個(gè)維度共同刻畫，見式（1），其中， =1，2，3，4，5，分別代表財(cái)經(jīng)知識(shí)、信息技術(shù)、職業(yè)素養(yǎng)、國(guó)際視野以及家國(guó)情懷。

（1）

通過向量定義課程之后，就可以計(jì)算課程之間的相似度。RCBNF算法采用相似度公式計(jì)算課程與之間相似度，見下頁式（2）。計(jì)算課程之間的相似度后，就需要對(duì)備選課程進(jìn)行排序，從而選擇所要推薦的課程。現(xiàn)有的課程推薦算法（如CFR算法）的原理是推薦那些與用戶已學(xué)課程相似度最大的課程，然而，這卻不利于用戶建構(gòu)完善的知識(shí)體系。仍以商業(yè)數(shù)據(jù)分析課程為例，該課程側(cè)重于財(cái)經(jīng)知識(shí)、信息技術(shù)與職業(yè)素養(yǎng)這三個(gè)維度，與國(guó)際視野和家國(guó)情懷這兩個(gè)維度的關(guān)聯(lián)程度較小，所以當(dāng)用戶已經(jīng)學(xué)過商業(yè)數(shù)據(jù)分析之后，需要向用戶推薦與國(guó)際視野和家國(guó)情懷這兩個(gè)維度更為相關(guān)的課程，從而使所推薦的課程與用戶已學(xué)課程共同構(gòu)成完善的知識(shí)體系。因此，與現(xiàn)有推薦算法相區(qū)別的是，RCBNF算法所要推薦的課程是與用戶所需課程相似度最小的個(gè)課程。

（2）

● 算法仿真與分析

提出RCBNF算法之后，還需要將該算法與現(xiàn)有課程推薦算法進(jìn)行比較分析，從而檢驗(yàn)RCBNF算法的性能。為此，筆者根據(jù)現(xiàn)實(shí)中的課程學(xué)習(xí)與選課行為數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)，對(duì)比RCBNF算法與CFR算法的性能。

1.仿真實(shí)驗(yàn)

由于RCBNF算法尚未應(yīng)用于在線教育平臺(tái)，因此，可通過離線實(shí)驗(yàn)評(píng)估算法的性能，基本思想是：將河北經(jīng)貿(mào)大學(xué)“新財(cái)經(jīng)”數(shù)字經(jīng)濟(jì)實(shí)驗(yàn)班教學(xué)計(jì)劃當(dāng)中所列的課程作為課程數(shù)據(jù)進(jìn)行仿真分析;將所有的必修課作為已學(xué)課程，將選修課程作為備選的推薦課程，分別通過RCBNF算法與CFR算法，計(jì)算應(yīng)將哪些選修課推薦給學(xué)生。仿真實(shí)驗(yàn)的具體步驟是：

Step1：評(píng)估關(guān)聯(lián)度。應(yīng)用“德爾菲法”為每門課程與每個(gè)維度的關(guān)聯(lián)度評(píng)分，取值范圍是0～1，從而將每個(gè)課程定義為一個(gè)五維向量。

Step2：計(jì)算相似度并排序。將所有課程都定義為五維向量之后，根據(jù)式（2），計(jì)算每門選修課與每門必修課之間的相似度，每門選修課與所有必修課的相似度之和即為該選修課與已學(xué)課程的相似度。將每門選修課與已學(xué)課程的相似度進(jìn)行排序，根據(jù)RCBNF算法（或CFR算法），相似度最?。ɑ蜃畲螅┑膫€(gè)選修課即為所要推薦的課程。

Step3：?jiǎn)柧碚{(diào)研。通過問卷調(diào)研，請(qǐng)學(xué)生以構(gòu)建完善知識(shí)體系為目標(biāo)，選擇希望學(xué)習(xí)的選修課，進(jìn)而統(tǒng)計(jì)學(xué)生選擇了哪些課程，然后將統(tǒng)計(jì)數(shù)據(jù)與RCBNF算法以及CFR算法所推薦課程進(jìn)行對(duì)比，計(jì)算兩種算法的準(zhǔn)確率、查全率和精確率，從而對(duì)比兩種算法的性能。

2.與CFR算法的對(duì)比分析

將RCBNF算法以及CFR算法所推薦的課程與調(diào)研問卷當(dāng)中所統(tǒng)計(jì)的學(xué)生希望選修的課程進(jìn)修對(duì)比，從而計(jì)算兩種算法的正確率、查全率和精確率，分別如圖1、圖2與圖3所示。

首先對(duì)比兩種算法的正確率與查全率。根據(jù)圖1和圖2可知，隨著推薦課程數(shù)量的遞增，RCBNF算法的正確率與查全率都有迅速的提升，然而CFR算法卻需要在推薦課程數(shù)量較多的時(shí)候（在仿真實(shí)驗(yàn)當(dāng)中，≥8），正確率與查全率才會(huì)有較為明顯的提升。再對(duì)比兩種算法的精確率。由圖3可知，隨著推薦課程數(shù)量的遞增，CFR算法的精確率明顯下降，而RCBNF算法卻能保持較高的推薦精確率。此外，根據(jù)算法性能對(duì)比圖可知，隨著推薦課程數(shù)量的遞增，RCBNF算法的正確率、查全率和精確率均不低于CFR算法，且推薦課程數(shù)量越多，RCBNF算法在性能方面的優(yōu)勢(shì)越明顯。由此可見，RCBNF算法優(yōu)于CFR算法。

● 結(jié)論

本文根據(jù)“新財(cái)經(jīng)”教育理念，在現(xiàn)有的課程推薦算法的基礎(chǔ)上加以創(chuàng)新，提出了能夠幫助學(xué)生構(gòu)建更為完善的知識(shí)體系的“新財(cái)經(jīng)”課程推薦算法，并且將該算法與傳統(tǒng)的協(xié)同過濾推薦算法進(jìn)行對(duì)比，從而論證了“新財(cái)經(jīng)”課程推薦算法具有更好的性能。

參考文獻(xiàn)：

[1]González-Manzano L，de Fuentes J M.Design recommendations for online cybersecurity courses[J].Computers & Security，2019 （80）：238-256.

[2]徐揚(yáng)，步一，賀易之，等.信息資源建設(shè)視閾下高校課程定制與課程推薦初探[J].現(xiàn)代情報(bào)，2017，37（03）：57-61+125.

[3]Symeonidis P，Malakoudis D.Multi-modal matrix factorization with side information for recommending massive open online courses [J].Expert Systems with Applications，2019（118）：261-271.

[4]王素琴，吳子銳.利用LSTM網(wǎng)絡(luò)和課程關(guān)聯(lián)分類的推薦模型[J].計(jì)算機(jī)科學(xué)與探索，2019，13（08）：1380-1389.

[5]Esteban A，Zafra A & Romero C. Helping university students to choose elective courses by using a hybrid multi-criteria recommendation system with genetic optimization[J].Knowledge-Based Systems，2020（194）：105.

[6]Guan Y，Wei Q & Chen G.Deep learning based personalized recommendation with multi-view information integration[J].Decision Support Systems， 2019（118）：58-69.

[7]李浩君，張征，郭海東，等.深度學(xué)習(xí)視角下的個(gè)性化學(xué)習(xí)資源推薦方法[J].現(xiàn)代遠(yuǎn)程教育研究，2019，31（04）：94-103.

[8]李浩，余雪，杜旭，等.基于學(xué)習(xí)者時(shí)空特征的移動(dòng)學(xué)習(xí)資源推薦模型研究[J].現(xiàn)代教育技術(shù)，2020，30（10）：13-19.

[9]Rawat B，Samriya J K，Pandey N，ect. Enriching‘user item rating matrix’with resource description framework for improving the accuracy of recommendation in E-learning environment[J].Materials Today：Proceedings， 2020， doi.org/10.1016/j.matpr.2020.09.701.

[10] De Medio C，Limongelli C，Sciarrone F，ect.MoodleREC：A recommendation system for creating courses using the moodle e-learning platform[J].Computers in Human Behavior， 2020（104）：106.

作者簡(jiǎn)介：李偉，男，河北經(jīng)貿(mào)大學(xué)商學(xué)院副教授，研究方向?yàn)殡娮由虅?wù)、信息管理。

基金項(xiàng)目：河北省高等教育學(xué)會(huì)“十四五”規(guī)劃課題（項(xiàng)目編號(hào)：GJXH2021-072）。